语音信息处理技术在深度学习的推动下发展迅速,其中语音合成和转换技术结合能实现实时高保真的指定对象、内容的语音输出,在人机交互、泛娱乐等领域具有广泛的应用前景。与此同时,以深度学习算法为核心驱动力的深度伪造技术蓬勃发展,使得恶意应用该技术而生的伪造语音愈加真假难辨,产生的公共安全风险也逐步暴露,因此有关伪造语音检测的研究于近年再度被人关注。为解决当前伪造语音检测技术存在的模型泛化能力不强、检测准确率较低的问题,本文从语音特征提取、鉴伪模型构建两个方面展开研究。主要工作内容如下:（1）针对语音特征提取,提出了时频域信息融合的特征提取方法。研究特征提取流程,包括语音信号预处理、主流语音特征提取的原理与步骤,在此基础上选择在频域特征提取过程中采用伽马通滤波器组,更精细地模拟听觉系统的信号处理过程,在说话人识别任务中被证明能提高应对噪声的鲁棒性;引入特征的一阶和二阶差分参数,增加对相邻语音信号间关联的描述,补充动态信息,提高特征的完整性。通过对比实验证明了上述方法提取出的特征在鉴伪任务中的有效性,并根据实验结果,确定带一阶差分参数的梅尔频率倒谱系数和基于伽马通滤波器组提取的特征为伪造语音检测任务中的最优特征集合,避免冗余特征堆叠对检测效率的消极影响。（2）针对鉴伪模型构建,提出了基于复合模型的伪造语音检测方法。该方法集成Res Ne Xt网络和Bi-GRU网络,从全局和局部两个尺度全面分析特征变化,提高对伪造语音的识别率。其中,Res Ne Xt网络利用叠加的卷积层,不断扩大感受视野,能够对整体的特征进行分析,模型在此基础上引入注意力机制,进一步帮助模型发现伪造特征;Bi-GRU网络关注语音特征在邻近范围内的跳跃性变化,模型增加了输入通道,挖掘不同输入的多尺度信息,提高检测的有效性。将两个网络并行融合,得到更高效准确的检测模型。实验结果表明,本文提出的检测方法在ASVspoof2019数据集上对逻辑方式伪造的样本（Logical Access,LA）和物理方式伪造的样本（Physical Access,PA）分别取得了97.33%和91.97%的检测准确率,相比单个模型所得的最好检测结果,准确率、F1值等评价指标均有所提升。